Медиа Generation AI публикует бизнес-кейсы о том, как российские компании внедряют генеративный ИИ. К началу 2025 года в базе накопилось больше 60 материалов — от банков до HRTech. Проблема в скорости: модели обновляются каждые несколько недель, и кейсы устаревают быстрее, чем их успевают написать. Особенно остро это ощущается после собственной конференции Conversations, где за один раз выступают 30–50 спикеров.
Редактор медиа Ксения Иванчикова прошла через два подхода, прежде чем построила работающую систему. Первый — скормить расшифровку доклада языковой модели и попросить написать кейс по образцу. Выглядело прилично, но модель галлюцинировала: добавляла несуществующие факты, теряла метрики, неточно описывала процессы. Проверка каждого текста занимала 2–3 часа — столько же, сколько написать с нуля.
| Компонент | Назначение |
|---|---|
| Claude Code (подписка) | Основной инструмент — агенты, правила, дебаг |
| Deepgram API / субтитры YouTube | Перевод видео в текст |
| PyMuPDF | Извлечение слайдов из PDF в изображения |
| WordPress REST API + ACF Flexible Content | Публикация постов с версткой |
| Rank Math | SEO-метаданные |
| FastAPI | Веб-интерфейс для запуска пайплайна из браузера |
Второй подход изменил логику работы. Иванчикова перешла на Claude Code и сформулировала редакционную политику в виде markdown-файлов: структура кейса, допустимый стиль, запрещённые слова, правила работы с цитатами и метриками — несколько сотен строк. Параллельно выстроила фидбек-луп: после каждой сессии просила Claude Code вычленить все её замечания и превратить их в новые правила. Система буквально обучалась на каждом выпущенном материале. Время на кейс сократилось до полутора-двух часов.
Пять агентов делят работу: расшифровка видео, извлечение фактов, написание текста, редактура и публикация.
Но узким местом оказались не тексты, а верстка. Готовый текст уходил дизайнерам в Jira, и там он мог ждать неделю. Решение пришло на внутреннем хакатоне Just AI: замкнуть весь цикл — от видео до черновика на сайте — в один автоматический конвейер.
Пайплайн состоит из пяти агентов. Первый, Transcriber, берёт ссылку на YouTube и превращает видео в текст. Можно использовать бесплатные субтитры YouTube или Deepgram API — он точнее и умеет разделять реплики по спикерам. Второй агент, Analyst, работает со структурой: читает транскрипт, извлекает факты, метрики и цитаты, анализирует слайды из PDF через vision-возможности модели и через веб-поиск собирает контекст о компании — размер бизнеса, рынок, число сотрудников. Здесь же происходит первичная чистка: автоматическая расшифровка часто путает названия продуктов и термины, агент сверяет их с контекстом. На выходе — три файла: факты, анализ слайдов, метаданные компании.
Третий агент, Writer, получает структурированные данные, стайл-гайд и референсный кейс для калибровки тона. Задача — не пересказать выступление, а выстроить историю с проблемой, решением, трудностями и результатами. Writer также размечает текст блоками для WordPress-верстки: колонки с метриками, пошаговые процессы, акцентные вставки. Четвёртый агент, Editor, проверяет каждое число и утверждение по транскрипту и PDF-презентации, формирует отчёт — что подтверждено, что сомнительно, что нужно убрать — и чистит стиль. После этого этапа подключается человек: финальное ревью остаётся за редактором. Пятый агент, Publisher, отправляет одобренный черновик на WordPress через REST API с ACF Flexible Content — плагином, который собирает страницу из типовых блоков.
Весь стек намеренно минималистичен: Claude Code на обычной подписке, Deepgram API для расшифровки, PyMuPDF для извлечения слайдов из PDF, WordPress REST API для публикации, Rank Math для SEO-метаданных и FastAPI как веб-интерфейс для запуска пайплайна из браузера. Архитектуру проектировали вместе с Claude Code: Иванчикова объясняла логику своей работы, модель предлагала, как разбить её на этапы.
Подход демонстрирует сдвиг в том, как редакции могут работать с ИИ-инструментами. Вместо одного универсального промпта — специализированные агенты с чёткими зонами ответственности и живой базой правил, которая растёт вместе с опытом команды. Человек не исчезает из процесса, но его участие смещается: с рутинного набора текста на контроль качества и финальное суждение.
